Seaborn

本文集文档发布于灏天文库

6.3 图形上下文 (Plotting Contexts)

文档摘要

6.3 图形上下文 (Plotting Contexts) Seaborn 图形定制与美化：深入理解图形上下文 (Plotting Contexts) Seaborn 是一个基于 Matplotlib 的高级数据可视化库，它提供了更美观、更便捷的方式来创建统计图形。在 Seaborn 的图形定制体系中，图形上下文 (Plotting Contexts) 是一个至关重要的概念，它允许我们预设一组参数，快速调整图形元素的比例和样式，以适应不同的展示场景，例如论文、博客、演示文稿或海报。 本篇文章将深入探讨 Seaborn 的图形上下文，包括其核心概念、预设上下文类型、如何自定义上下文，以及如何在实际应用中灵活运用，从而提升数据可视化的效率和专业性。 6.3.

6.3 图形上下文 (Plotting Contexts)

Seaborn 图形定制与美化：深入理解图形上下文 (Plotting Contexts)

Seaborn 是一个基于 Matplotlib 的高级数据可视化库，它提供了更美观、更便捷的方式来创建统计图形。在 Seaborn 的图形定制体系中，图形上下文 (Plotting Contexts) 是一个至关重要的概念，它允许我们预设一组参数，快速调整图形元素的比例和样式，以适应不同的展示场景，例如论文、博客、演示文稿或海报。

本篇文章将深入探讨 Seaborn 的图形上下文，包括其核心概念、预设上下文类型、如何自定义上下文，以及如何在实际应用中灵活运用，从而提升数据可视化的效率和专业性。

6.3.1 理解 Seaborn 的图形上下文

图形上下文，简而言之，就是一组预定义的参数集合，用于控制 Seaborn 图形的视觉元素比例。这些元素包括但不限于：

  • 线条粗细 (lines)：例如轴线、网格线、图形边框等的粗细。

  • 字体大小 (fonts)：例如标题、轴标签、刻度标签、图例等的字体大小。

  • 标记大小 (markers)：例如散点图、折线图中的数据点标记大小。

Seaborn 提供了几种预设的上下文，每种上下文都旨在优化图形在特定场景下的显示效果。使用上下文，我们可以避免手动调整大量参数，快速切换图形的整体风格，使其更好地适应不同的输出媒介和受众。

为什么需要图形上下文？

想象一下，你需要在以下几种场景中展示你的数据可视化结果：

  1. 学术论文 (Paper)：图形通常较小，需要精细，线条和文字不宜过粗过大，以便节省空间并保持清晰度。

  2. 博客文章 (Notebook/Default)：图形大小适中，默认风格较为平衡，适合屏幕阅读和初步探索。

  3. 会议演示 (Talk)：图形需要更大更醒目，字体和线条要更粗更清晰，以便观众在较远距离也能看清。

  4. 海报展示 (Poster)：图形需要最大最突出，所有元素都要放大，确保在大型海报上具有视觉冲击力。

如果没有图形上下文，你就需要针对每种场景手动调整 Matplotlib 或 Seaborn 的参数，例如 linewidth, fontsize, markersize 等，这将非常繁琐且容易出错。而 Seaborn 的上下文机制则提供了一种更优雅、更高效的解决方案。

6.3.2 Seaborn 预设的图形上下文

Seaborn 提供了五个预设的图形上下文，可以通过 sns.set_context() 函数进行设置：

  • paper: 为论文等出版物设计，图形元素相对较小，适合紧凑排版。

  • notebook: 默认上下文，为 Jupyter Notebook 等交互式环境设计，图形大小适中，平衡清晰度和空间占用。

  • talk: 为演示文稿设计，图形元素相对较大，字体和线条更粗，便于观众观看。

  • poster: 为海报展示设计，图形元素最大，视觉冲击力最强。

  • none: 不应用任何预设上下文，完全依赖 Matplotlib 的默认设置或用户自定义的参数。

这些上下文按照视觉元素比例从小到大依次排列： paper < notebook < talk < poster。

mermaid Graph 图示上下文层级关系：

代码实践：应用预设上下文

我们通过代码示例来直观地感受不同上下文的效果。首先，导入必要的库并加载示例数据集 iris：

import seaborn as sns
import matplotlib.pyplot as plt
# 加载示例数据集
iris = sns.load_dataset('iris')
​

接下来，我们创建一个简单的散点图，并分别应用不同的上下文：

# 基础散点图绘制函数
def plot_iris_scatter():
    sns.scatterplot(data=iris, x='sepal_length', y='sepal_width', hue='species')
    plt.title('Iris Sepal Length vs. Sepal Width')
    plt.show()
# 默认上下文 (notebook)
sns.set_context('notebook')
print("Notebook Context:")
plot_iris_scatter()
# paper 上下文
sns.set_context('paper')
print("Paper Context:")
plot_iris_scatter()
# talk 上下文
sns.set_context('talk')
print("Talk Context:")
plot_iris_scatter()
# poster 上下文
sns.set_context('poster')
print("Poster Context:")
plot_iris_scatter()
​

代码详解：

  1. import seaborn as sns 和 import matplotlib.pyplot as plt：导入 Seaborn 和 Matplotlib 库。

  2. iris = sns.load_dataset('iris')：加载 Seaborn 内置的鸢尾花数据集。

  3. plot_iris_scatter() 函数：定义一个绘制鸢尾花散点图的函数，方便重复调用。

    • sns.scatterplot(...): 使用 Seaborn 的 scatterplot 函数绘制散点图，以 'sepal_length' 为 x 轴，'sepal_width' 为 y 轴，'species' 为颜色区分。

    • plt.title(...): 设置图形标题。

    • plt.show(): 显示图形。

  4. sns.set_context('...'): 关键函数，用于设置当前的图形上下文。我们分别设置了 'notebook', 'paper', 'talk', 'poster' 四种上下文。

  5. print("... Context:"): 打印当前应用的上下文名称，方便区分输出。

  6. plot_iris_scatter(): 调用绘制函数，生成对应上下文的散点图。

观察运行结果：

运行上述代码，你会看到四个散点图，它们的主要区别在于：

  • paper 上下文: 图形元素（点、线、文字）相对最小，整体显得紧凑。

  • notebook 上下文: 图形元素大小适中，是默认的平衡风格。

  • talk 上下文: 图形元素明显增大，字体和线条更粗，更醒目。

  • poster 上下文: 图形元素最大，所有元素都得到了显著放大，视觉冲击力最强。

通过对比这四个图形，你可以直观地理解不同上下文对图形元素比例的影响。

6.3.3 自定义图形上下文参数

sns.set_context() 函数除了接受预设的上下文名称外，还允许我们通过参数进一步自定义上下文的细节。主要的自定义参数包括：

  • context: 指定预设上下文名称，如 'paper', 'notebook', 'talk', 'poster' 或 'none'。

  • font_scale: 浮点数，用于缩放字体大小。font_scale=1 表示使用上下文的默认字体大小，font_scale=1.5 表示字体放大 1.5 倍，font_scale=0.8 表示字体缩小 0.8 倍。

  • rc: 字典，用于直接更新 matplotlib.rcParams 中的参数。通过 rc 参数，我们可以精细地控制 Matplotlib 的各种绘图参数，例如线条样式、颜色、背景色等等。

代码实践：使用 font_scale 自定义字体大小

我们可以在预设上下文的基础上，通过 font_scale 参数调整字体大小。例如，在 talk 上下文的基础上，进一步放大字体：

# talk 上下文，默认字体大小
sns.set_context('talk')
print("Talk Context (Default Font Scale):")
plot_iris_scatter()
# talk 上下文，字体放大 1.5 倍
sns.set_context('talk', font_scale=1.5)
print("Talk Context (Font Scale = 1.5):")
plot_iris_scatter()
# talk 上下文，字体缩小 0.8 倍
sns.set_context('talk', font_scale=0.8)
print("Talk Context (Font Scale = 0.8):")
plot_iris_scatter()
​

代码详解：

我们分别在 sns.set_context('talk', ...) 中设置了 font_scale 参数为 1.0 (默认), 1.5 和 0.8。运行代码后，你会发现：

  • font_scale=1.5: 图形中的所有字体（标题、轴标签、刻度标签、图例）都比默认 talk 上下文放大了 1.5 倍。

  • font_scale=0.8: 图形中的所有字体都比默认 talk 上下文缩小了 0.8 倍。

font_scale 参数提供了一种方便的方式，在保持上下文整体风格的基础上，微调字体大小以适应特定需求。

代码实践：使用 rc 参数自定义线条粗细和颜色

rc 参数允许我们直接修改 Matplotlib 的运行时配置参数 rcParams。例如，我们可以通过 rc 参数修改线条粗细和颜色：

# notebook 上下文，默认线条和颜色
sns.set_context('notebook')
print("Notebook Context (Default Lines & Colors):")
plot_iris_scatter()
# notebook 上下文，自定义线条粗细和颜色
sns.set_context('notebook', rc={'lines.linewidth': 2.5, 'patch.edgecolor': '0.5'})
print("Notebook Context (Custom Lines & Colors):")
plot_iris_scatter()
​

代码详解：

  • rc={'lines.linewidth': 2.5, 'patch.edgecolor': '0.5'}: 我们通过一个字典传递 rc 参数。

    • 'lines.linewidth': 2.5: 设置线条粗细为 2.5 磅 (points)。这会影响轴线、网格线、图形边框等线条的粗细。

    • 'patch.edgecolor': '0.5': 设置 patch (例如柱状图、箱线图的填充区域的边框) 的颜色为灰度值 0.5 (半灰)。

运行代码后，你会看到第二个图形的线条明显加粗，并且散点标记的边框颜色变为灰色。

常用的 rc 参数：

rc 参数可以控制 Matplotlib 中几乎所有的绘图元素。以下是一些常用的 rc 参数，你可以根据需要进行自定义：

  • 线条 (Lines):

    • lines.linewidth: 线条粗细

    • lines.linestyle: 线条样式 (例如 '-', '--', ':', '-.')

    • lines.color: 线条颜色

    • lines.markersize: 标记大小 (例如散点图的点大小)

    • lines.markeredgewidth: 标记边框粗细

    • lines.markeredgecolor: 标记边框颜色

    • lines.markerfacecolor: 标记填充颜色

  • 字体 (Fonts):

    • font.size: 默认字体大小

    • font.family: 字体族 (例如 'serif', 'sans-serif', 'monospace')

    • font.weight: 字体粗细 (例如 'normal', 'bold', 'light')

  • 轴 (Axes):

    • axes.linewidth: 轴线粗细

    • axes.grid: 是否显示网格 (True/False)

    • axes.facecolor: 轴域背景色

    • axes.edgecolor: 轴域边框颜色

    • axes.titlesize: 标题字体大小

    • axes.labelsize: 轴标签字体大小

  • 刻度 (Ticks):

    • xtick.labelsize: x 轴刻度标签字体大小

    • ytick.labelsize: y 轴刻度标签字体大小

    • xtick.major.size: x 轴主刻度线长度

    • ytick.major.size: y 轴主刻度线长度

    • xtick.minor.size: x 轴次刻度线长度

    • ytick.minor.size: y 轴次刻度线长度

  • 图例 (Legend):

    • legend.fontsize: 图例字体大小

    • legend.frameon: 是否显示图例边框 (True/False)

    • legend.facecolor: 图例背景色

    • legend.edgecolor: 图例边框颜色

  • 图形 (Figure):

    • figure.figsize: 图形尺寸 (宽度, 高度)，单位英寸

    • figure.facecolor: 图形背景色

    • figure.edgecolor: 图形边框颜色

    • figure.dpi: 图形分辨率 (每英寸点数)

你可以查阅 Matplotlib 的官方文档 ( https://matplotlib.org/stable/tutorials/introductory/customizing.html ) 获取完整的 rcParams 参数列表和详细说明。

6.3.4 上下文的临时应用与全局设置

临时应用上下文： with sns.plotting_context(...)

有时候，我们只想在某个特定的代码块中应用上下文，而不希望影响全局的 Seaborn 样式设置。这时可以使用 with sns.plotting_context(...) 上下文管理器：

print("全局默认上下文 (Notebook):")
sns.set_context('notebook')
plot_iris_scatter()
with sns.plotting_context('talk'):
    print("临时 Talk 上下文 (with 语句块内):")
    plot_iris_scatter()
print("with 语句块外，全局上下文仍然是 Notebook:")
plot_iris_scatter()
​

代码详解：

  • sns.set_context('notebook'): 首先设置全局上下文为 'notebook'。

  • with sns.plotting_context('talk'):: 使用 with 语句创建一个临时的 'talk' 上下文环境。

    • 在 with 语句块内的 plot_iris_scatter() 函数调用，将使用 'talk' 上下文。

  • with 语句块结束后，上下文自动恢复到之前的全局设置 (仍然是 'notebook')。

with sns.plotting_context(...) 提供了一种非常方便的方式，在局部代码中临时改变图形上下文，而不会影响全局设置。这在需要在一个 Notebook 或脚本中生成多种不同风格的图形时非常有用。

全局设置上下文： sns.set_context(...)

sns.set_context(...) 函数用于全局设置 Seaborn 的图形上下文。一旦设置，后续所有的 Seaborn 图形都将应用该上下文，直到再次调用 sns.set_context(...) 更改设置为止。

在 Notebook 或脚本的开头，通常会使用 sns.set_context(...) 设置一个全局的上下文，例如：

sns.set_context('notebook')  # 设置全局上下文为 notebook
sns.set_style('whitegrid')   # (可选) 设置全局样式为 whitegrid
# 后续所有的 Seaborn 图形都将应用 notebook 上下文和 whitegrid 样式
sns.histplot(...)
sns.boxplot(...)
sns.scatterplot(...)
# ...
​

选择全局上下文还是临时上下文？

  • 全局上下文 (sns.set_context(...)): 适用于整个 Notebook 或脚本，当你希望所有图形都保持一致的风格时。例如，为整个论文或演示文稿统一设置图形风格。

  • 临时上下文 (with sns.plotting_context(...)): 适用于局部代码块，当你只需要在某些特定的图形中应用不同的上下文，而不希望影响全局设置时。例如，在一个 Notebook 中，某些图形需要用于演示，而另一些图形用于初步探索，可以分别使用不同的上下文。

6.3.5 实践应用场景与建议

场景 1: 撰写学术论文

  • 上下文选择: paper 或自定义 paper 上下文。

  • 理由: 论文图形通常需要紧凑、精细，节省空间，同时保持清晰度。paper 上下文的默认设置比较适合论文排版。

  • 可能需要自定义: 根据期刊的具体要求，可能需要通过 rc 参数微调字体大小、线条粗细等。

场景 2: 制作演示文稿 (PPT)

  • 上下文选择: talk 或 poster 上下文。

  • 理由: 演示文稿图形需要醒目、易于观看，字体和线条要足够大，以便观众在较远距离也能看清。talk 和 poster 上下文都比较适合演示场景。

  • 可能需要自定义: 根据演示场地的大小和观众距离，可能需要在 talk 或 poster 上下文的基础上，通过 font_scale 进一步调整字体大小。

场景 3: 数据探索与分析 (Jupyter Notebook)

  • 上下文选择: notebook (默认) 或自定义 notebook 上下文。

  • 理由: notebook 上下文是默认设置，图形大小适中，平衡了清晰度和空间占用，适合在 Jupyter Notebook 等交互式环境中进行数据探索和分析。

  • 可能需要自定义: 根据个人喜好，可以通过 rc 参数调整线条样式、颜色、背景色等，打造更个性化的探索环境。

场景 4: 制作海报

  • 上下文选择: poster 上下文。

  • 理由: 海报图形需要最大化视觉冲击力，吸引观众的目光。poster 上下文的默认设置能够最大程度地放大图形元素，使其在大型海报上更具表现力。

  • 可能需要自定义: 根据海报尺寸和内容，可能需要通过 rc 参数调整图形的整体尺寸 (figure.figsize)，以及进一步调整字体和线条的粗细。

通用建议:

  • 根据输出媒介选择合适的上下文: 在开始可视化之前，先考虑你的图形将要展示在什么媒介上 (论文、博客、演示文稿、海报等)，选择与之匹配的预设上下文，可以大大提升可视化效果。

  • 灵活运用自定义参数: 预设上下文只是一个起点，通过 font_scale 和 rc 参数，你可以根据具体需求对上下文进行精细的调整，打造更符合你需求的图形风格。

  • 善用临时上下文: with sns.plotting_context(...) 能够让你在局部代码中灵活切换上下文，方便在一个 Notebook 或脚本中生成多种不同风格的图形。

  • 保持一致性: 在同一个项目或文档中，尽量保持图形上下文的一致性，有助于提升整体的视觉统一性和专业性。

总结

Seaborn 的图形上下文 (Plotting Contexts) 是一个强大的工具，它简化了图形风格的定制过程，允许我们快速调整图形元素的比例和样式，以适应不同的展示场景。通过理解预设上下文的特点，掌握自定义参数的使用方法，以及灵活运用临时上下文和全局上下文，我们可以更高效地创建出美观、专业、且适应性强的数据可视化作品。掌握图形上下文，是提升 Seaborn 可视化技能的关键一步。

希望这篇文章能够帮助你深入理解 Seaborn 的图形上下文，并在实际应用中灵活运用，创造出更出色的数据可视化作品！

发布者: 作者: 转发
评论区 (0)
U
0/500